前言：这篇blog是《Linear Algebra and Its Applications》第六章的一些学习笔记。

正定矩阵

  这一章要用到对实对称矩阵$A$的三角分解$A=LDL^{T}$，以及谱定理$A=Q\Lambda Q^{T}$

1. 正定矩阵

  对任意非零实向量$x$，有$x^{T}Ax>0$，则$A$为正定矩阵。

  在线性代数中，正定矩阵是对称矩阵，因为来自二次型；对任一二次型，总可以写成对称矩阵的形式，即$f(x_{1}, x_{2}\dots x_{n})=x^{T}Ax=\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}a_{ij}x_{i}x_{j}$

如果$A$是正定矩阵，则$x^{T}Ax$表示的二次型有最小值，不存在鞍点。

  但在矩阵论中，正定矩阵不一定是对称矩阵，例如$\left [ \begin{matrix} 1 & -1 \\ 1 & 0\end{matrix}\right ]$

1.1. 实对称矩阵是正定矩阵的充要条件

  判断实对称矩阵$A$是否为正定矩阵，有5个充要条件，只要满足其中一个即可。

1. $x^{T}Ax>0$，对所有非零实向量$x$均成立；
2. $A$的所有特征值$\lambda_{i}$满足$\lambda_{i}>0$；
3. 所有顺序主子式$A_{k}$是正的；
4. 所有主元(piovts)大于0(最快捷条件)；
5. $A$能分解成$R^{T}R$，其中R的列向量相互独立。

证明：

条件1：定义，证毕。

条件2$\Longleftrightarrow$条件1：对$A$进行分解，$A=Q\Lambda Q^{T}$，有$x^{T}Ax=x^{T}Q\Lambda Q^{T}x$，令$x^{T}Q=y^{T}$，则$x^{T}Ax=y^{T}\Lambda y=\sum\limits_{i=1}^{n}\lambda_{i}y_{i}^{2}$，根据条件1，如果实对称矩阵$A$是正定矩阵，则任意非零向量$x$，$x^{T}Ax$恒大于0，所以$\sum\limits_{i=1}^{n}\lambda_{i}y_{i}^{2}$恒大于0，所以$\lambda_{i}>0$，证毕。

条件1和2$\Longrightarrow$条件3：对于实对称矩阵$A$，以证明$A_{3}$为例，令$x=[x_{1}, x_{2},x_{3},0,0,0,\dots]^{T}$，则$x^{T}Ax$等价于$[x_{1},x_{2},x_{3}]\left [ \begin{matrix} a_{11} & a_{12} & a_{13} \\ a_{21} & a_{22} & a_{23} \\ a_{31} & a_{32} & a_{33} \end{matrix} \right ]\left [ \begin{matrix} x_{1} \\ x_{2} \\ x_{3}\end{matrix} \right ]\tag{1}$

根据条件1，如果实对称矩阵$A$是正定矩阵，则$x^{T}Ax>0$，所以(1)的中间矩阵也应该是正定矩阵，根据条件2，(1)的中间矩阵的所有特征值大于0，所以$A_{3}=(1)的中间矩阵的所有特征值乘积>0$证毕。方阵的行列式等于所有特征值乘积，在第五章特征值与特征向量中推导过这一结论。

条件3$\Longrightarrow$条件4：以$d_{3}$为例，$d_{3}=\frac{A_{3}}{A_{2}}>0$，证毕。关于求$d_{3}$用的表达式，在第四章行列式中推导过。

条件4$\Longrightarrow$条件1，对$A$进行三角分解$A=LDL^{T}$，则$x^{T}Ax=x^{T}LDL^{T}x$，令$y=L^{T}x$，则$x^{T}Ax=y^{T}Dy$，对角矩阵$D$存的是$A$的主元(pivots)，所以$y^{T}Dy=\sum\limits_{i=1}^{n}d_{i}y_{i}^{2}>0$可以推出$x^{T}Ax>0$

至此，条件1-4相互均可以推导。

条件5$\Longleftrightarrow$条件4：$A=LDL^{T}=(L\sqrt{D})(\sqrt{D}L^{T})=R^{T}R$，其中$R=\sqrt{D}L^{T}$；或者条件5$\Longleftrightarrow$条件2：$A=Q\Lambda Q^{T}=(Q\sqrt{\Lambda})(\sqrt{\Lambda}Q^{T})=R^{T}R$，其中$R=\sqrt{\Lambda}Q^{T}$

1.2. 实对称矩阵是半正定矩阵的充要条件

  半正定矩阵就是对任意非零实向量$x$，有$x^{T}Ax\geq0$，相对正定矩阵多了等于0；相应的充要条件也加上了等号。

1. $x^{T}Ax\geq0$，对所有非零实向量；
2. $A$的所有特征值$\lambda_{i}$满足$\lambda_{i}\geq0$；
3. 所有顺序主子式$A_{k}$是$\geq 0$的；
4. 所有主元$piovts \geq 0$(最快捷条件)；
5. $A$能分解成$R^{T}R$，其中R的列向量相互独立。

证明：考虑$A+\varepsilon I$正定，当$\varepsilon > 0$。

1.3. 实对称矩阵与正定矩阵的分解

  实对称矩阵不一定可以三角分解$A=LDL^{T}$，但可以$A=Q\Lambda Q^{T}$分解，正定矩阵两种分解都可以。

  $A=LDL^{T}$与$A=Q\Lambda Q^{T}$本质上都是二次型配方。

---

2. 惯性定理

2.1. 合同变换

  对于对称方阵$A,B$，存在可逆矩阵$C$，使得$B=C^{T}AC$，则$A,B$相合。合同变换本质上是对实对称矩阵的分类(上一章提到过，相似变换本质上是对方阵的分类)。

2.2. 惯性定理

  对于一个n阶实对称矩阵$A$，与它合同的实对称矩阵有多个，这些实对角矩阵的对角元中，正数的个数是一定的(叫A的正惯性指数)，负数的个数也是一定的(叫A的负惯性指数)。

证明略。

  实际使用时，如果$A$是对称方阵，用三角分解$A=LDL^{T}$即可，因为$A,D,\Lambda$三者相合。

2.3. 惯性定理的推论

  任何一个实对称矩阵可以相合到由若干1，若干-1，若干0组成的对角矩阵，即由相合条件约束的某一类实对称矩阵均可相合到该对角矩阵。

证明：
对实对称矩阵$A$进行分解$A=Q\Lambda Q^{T}$，所以$A$与$\Lambda$相合，不妨设$\Lambda$中$\lambda_{1}\dots\lambda_{m}$是正特征根，$\lambda_{m+1}\dots\lambda_{i}$是负特征根，$\lambda_{i+1}\dots\lambda_{n}$是零特征根，则$\begin{aligned} \Lambda & =\left [ \begin{matrix} \lambda_{1} &&&&&& \\ &\ddots &&&&& \\ &&\lambda_{m}&&&& \\ &&&\ddots &&& \\ &&&&\lambda_{i}&& \\ &&&&&\ddots& \\ &&&&&&\lambda_{n} \end{matrix} \right ] \\ & = \left [ \begin{matrix} \frac{1}{\sqrt{\lambda_{1}}} &&&&&& \\ &\ddots &&&&& \\ && \frac{1}{\sqrt{\lambda_{m}}}&&&& \\ &&&\ddots &&& \\ &&&& \frac{1}{\sqrt{-\lambda_{i}}}&& \\ &&&&&\ddots& \\ &&&&&&0 \end{matrix} \right ] \times \\& \left [ \begin{matrix} 1 &&&&&& \\ &\ddots &&&&& \\ && 1&&&& \\ &&&\ddots &&& \\ &&&& -1&& \\ &&&&&\ddots& \\ &&&&&&0 \end{matrix} \right ] \times \left [ \begin{matrix} \frac{1}{\sqrt{\lambda_{1}}} &&&&&& \\ &\ddots &&&&& \\ && \frac{1}{\sqrt{\lambda_{m}}}&&&& \\ &&&\ddots &&& \\ &&&& \frac{1}{\sqrt{-\lambda_{i}}}&& \\ &&&&&\ddots& \\ &&&&&&0 \end{matrix} \right ] \\ & = C^{T}BC \end{aligned}$

故$\Lambda$与$B$相合，故$A$与$B$相合。证毕。

2.4. 惯性定理的应用

  通过$A-nI$限定实对称矩阵$A$的特征根区间，例如：$A-3I$有2正特征根，$A-5I$只有1个正特征根，则$A$有一个特征根在(3,5)之间。

这里用到了$A-nI$的特征值，相对于$A$的特征值也减去n的推论，证明如下：

$Ax=\lambda x, (A-3I)x = \lambda' x$

所以

$Ax = (\lambda'+3) x$

所以$\lambda'=\lambda-3$

---

3. 奇异值分解

3.1. SVD

  对矩阵$A_{m\times n}$，其秩$r=rank(A)$，则其奇异值分解(Singular Value Decomposition, SVD)表示为$A=U\Sigma V=(正交矩阵)_{m\times m}(对角矩阵)_{m\times n}(正交矩阵)_{n\times n}$

其中$U$的列向量由$AA^{T}$的特征向量构成；$V$的列向量由$A^{T}A$的特征向量构成；$\Sigma$的对角元素的前r个被称为奇异值，是$AA^{T}$或者$A^{T}A$的特征值平方根，其余元素为0。

  证明依赖于谱定理，在有了求对称方阵特征根高效算法后，才有了SVD。

证明：
证明分六步进行

1. $A^{T}A$一定是对称方阵
   又$A^{T}Ax=\lambda x$，左乘上$x^{T}$
   $x^{T}A^{T}Ax = \lambda x^{T}x = (Ax)^{T}Ax \geq 0$
   故$\lambda \geq 0$
   故$A^{T}A$至少是半正定矩阵
2. 由谱定理$\begin{aligned} A^{T}A & = V \left [ \begin{matrix} \sigma_{1}^{2}&&&&& \\ &\ddots&&&& \\ &&\sigma_{r}^{2}&&& \\ &&&0&& \\ &&&&\ddots& \\ &&&&& 0 \end{matrix}\right ]V^{T} \\ & = [v_{1}, v_{2}\dots v_{n}] \left [ \begin{matrix} \sigma_{1}^{2}&&&&& \\ &\ddots&&&& \\ &&\sigma_{r}^{2}&&& \\ &&&0&& \\ &&&&\ddots& \\ &&&&& 0 \end{matrix}\right ] \left [ \begin{matrix} v_{1}^{T}\\ v_{2}^{T}\\ \vdots \\ v_{n}^{T}\ \end{matrix}\right ] \end{aligned}$
   其中$1\leq i \leq r$时，$\sigma_{i}>0$，当$r < i \leq n$时，$\sigma_{i}=0$。
   所以，$A^{T}Av_{i}=\sigma^{2}_{i}v_{i}, 0\leq i \leq r$
   由于$||Av_{i}||^{2}=(Av_{i})^{T}(Av_{i})=v_{i}^{T}A^{T}Av_{i}=v_{i}^{T}\sigma^{2}_{i}v_{i}=\sigma^{2}_{i}$
   故$||Av_{i}||=\sigma_{i}$
3. 令$u_{i}=\frac{Av_{i}}{\sigma_{i}},1\leq i \leq r$
   则$u_{i}$是$A$的列空间的单位向量。对于$i\neq j$有$Av_{i}=u_{i}\sigma_{i} \\ Av_{j}=u_{j}\sigma_{j}$则$(Av_{i})^{T}Av_{j}=\sigma_{i}\sigma_{j}u_{i}^{T}u_{j}$
   左边$=v^{T}_{i}A^{T}Av_{j}=v_{i}^{T}\sigma^{2}_{j}v_{j}=0=\sigma_{i}\sigma_{j}u_{i}^{T}u_{j}=$右边
   由于$\sigma_{i},\sigma_{j}\neq 0$，则$u_{i}^{T}u_{j}=0$
   故$u_{1},u_{2}\dots u_{r}$相互正交，是$A$的列空间的标准正交基。
4. 扩充$u_{1},u_{2}\dots u_{r}$到$u_{1},u_{2}\dots u_{r},u_{r+1}\dots u_{m}$为$R^{m}$的标准正交基，则
   $u_{1},u_{2}\dots u_{r}$是$A$列空间$C(A)$的标准正交基；
   $u_{r+1},u_{r+2}\dots u_{m}$是$A$左零空间$N(A^{T})$的标准正交基；
5. 逐列来看
   $1\leq i \leq r$时，$\sigma_{i}>0$，$Av_{i}=u_{i}\sigma_{i}$；
   $r < i \leq n$时，$\sigma_{i}=0$，$Av_{i}=0=u_{i}·0$。
6. 故$AV=U\Sigma$，所以$A=U\Sigma V^{T}$

3.2. SVD的本质

  逐列来看$AU=\Sigma V$， $1\leq i \leq r$时，$\sigma_{i}>0$，$Av_{i}=u_{i}\sigma_{i}$；$r < i \leq n$时，$\sigma_{i}=0$，$Av_{i}=0=u_{i}·0$。则
$u_{1},u_{2}\dots u_{r}$是$A$列空间$C(A)$的标准正交基；
$u_{r+1},u_{r+2}\dots u_{m}$是$A$左零空间$N(A^{T})$的标准正交基；
$v_{r+1},v_{r+2}\dots v_{n}$是$A$零空间$N(A)$的标准正交基；
$v_{1},v_{2}\dots v_{r}$是$A$行空间$C(A^{T})$的标准正交基；

  可见，SVD是$C(A^{T})$到$C(A)$的极简极优美映射，当$1\leq i \leq r$
$A[v_{1}\dots v_{r}]=[u_{1}\dots u_{r}]\left [ \begin{matrix} \sigma_{1}&& \\ &\ddots& \\ &&\sigma_{r} \end{matrix}\right ]$即两个子空间标准正交基的极简极优美变换。

3.3. 求SVD

1. 求$A^{T}A$的$\sigma, v$，注意实对称矩阵属于不同特征根的特征向量正交；
2. 由$Av_{i}=u_{i}\sigma_{i}$求出$u_{i}$；
3. 有Gram-Schmidt求$u_{r+1}\dots u_{m}$。

可见SVD的结果严重不唯一，但是奇异值是唯一的。

3.4. SVD的应用-伪逆

   求解线性方程组$A_{m\times n}x=b$

1. 当$b$在$C(A)$，由第二章，利用高斯消去法，解方程，就和我们解多元一次方程组一样；
2. 当$b$不再$C(A)$，且$A$列满秩，则$R^{n}$就是$C(A^{T})$，利用第三章的最小二乘法，把$b$向$C(A)$投影，在把这个投影点反向映射到$C(A^{T})$，得到误差最小的解；
   $A^{T}(A\widehat{x}-b)=0 \Longrightarrow \widehat{x}=(A^{T}A)^{-1}A^{T}b$
3. 当$b$不再$C(A)$，且A列不满秩，$dim(R^{n})=dim(C(A^{T}))+dim(N(A))$，$R^{n}$相对于$C(A^{T})$与$N(A)$是更高维，把$b$向$C(A)$投影，在把这个投影点反映射到$C(A^{T})$得到反向映射点，这个反向映射点加上$N(A)$中任意一个点都是误差最小解，此时最小二乘法得到的误差最小解不唯一，我们可以利用伪逆求得最短最简单的误差最小解，也就是反向映射点加上$N(A)$中的全零点。

   伪逆利用SVD定义，如果$A=U\Sigma V^{T}$，则A的伪逆定义为$A^{+}=V\Sigma^{+} U^{T}$
其中$\Sigma^{+}$表示对$\Sigma$进行转置后，奇异值取倒数。

  则$Ax=b$的最短最简单误差最小解就是$x^{+}=A^{+}b$$A^{+}b$的意义是把$b$投影到$C(A)$中，在映射到$C(A^{T})$。

  下面是伪逆求解最短最简单的误差最小解的证明。

1. 先证明$A$是对角阵的情况，以$A_{3\times 4}, r(A)=2$为例，求最短最简单的误差最小解$\widehat{x}$
   当$b\in C(A)$有
   $\left [ \begin{matrix} \sigma_{1} & 0 & 0 & 0 \\ 0 & \sigma_{2} & 0 & 0 \\ 0 & 0 & 0 & 0 \end{matrix}\right ] \left [ \begin{matrix} \widehat{x}_{1} \\ \widehat{x}_{2} \\ \widehat{x}_{3} \\ \widehat{x}_{4} \end{matrix}\right ] =\left [ \begin{matrix} b_{1} \\ b_{2} \\ 0 \end{matrix}\right ]$则 $\widehat{x}_{1}=\frac{b_{1}}{\sigma_{1}}$，$\widehat{x}_{2}=\frac{b_{2}}{\sigma_{2}}$
   定义伪逆
   $A^{+}=\left [ \begin{matrix} \frac{1}{\sigma_{1}} & 0 & 0 \\ 0 & \frac{1}{\sigma_{2}} & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{matrix}\right ]$
   则$\widehat{x}=A^{+}\left [ \begin{matrix} b_{1} \\ b_{2} \\ 0 \end{matrix}\right ]$得到最短最简单的误差最小解。
   当$b\notin C(A)$时，$b=\left [ \begin{matrix} b_{1} \\ b_{2} \\ b_{3} \end{matrix}\right]$，仍按照上面的伪逆，仍然可以求得最短解，同时也是误差最小的解$\widehat{x}=A^{+}\left [ \begin{matrix} b_{1} \\ b_{2} \\ b_{3} \end{matrix}\right ]=\left [ \begin{matrix} \frac{b_{1}}{\sigma_{1}} \\ \frac{b_{2}}{\sigma_{2}} \\ 0 \\ 0 \end{matrix}\right ]$
2. 如果A不是对角阵，则我们可以化成对角阵的形式，回到我们的根本目的，利用最小二乘法的想法求误差最小解，最小化$||Ax-b||$，则$\begin{aligned} ||Ax-b|| & =||U\Sigma V^{T}x-b|| \\ & = ||U(\Sigma V^{T}x-U^{T}b)|| \\ & = ||\Sigma V^{T}x-U^{T}b|| \end{aligned}$最后一个等号转换用到了，正交变换不改变长度的性质。令$y=V^{T}x$，则$x=Vy$，进一步化简$\begin{aligned} ||Ax-b|| & = ||\Sigma V^{T}x-U^{T}b|| \\ & = ||\Sigma y-U^{T}b|| \end{aligned}$此时$\Sigma$是对角矩阵，回到了情况1，我们得到$y$的最短最简单的误差最小解是$y^{+}=\Sigma^{+}U^{T}b$由于$x=Vy$同样是正交变换，不改变长度，进而得到$x$的最短最简单的误差最小解是$x^{+}=Vy^{+}=V\Sigma^{+}U^{T}b$证毕。

  值得一提的是，$AA^{+}$与$A^{+}A$均可看成投影矩阵，$AA^{+}b$把$b$向$C(A)$投影，$A^{+}Aa$把$a$向$C(A^{T})$投影。